CN112765890A - 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 - Google Patents

基于动态域适应网络的多工况旋转机械剩余寿命预测方法 Download PDF

Info

Publication number
CN112765890A
CN112765890A CN202110102285.XA CN202110102285A CN112765890A CN 112765890 A CN112765890 A CN 112765890A CN 202110102285 A CN202110102285 A CN 202110102285A CN 112765890 A CN112765890 A CN 112765890A
Authority
CN
China
Prior art keywords
domain
neural network
source domain
dynamic
target domain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110102285.XA
Other languages
English (en)
Other versions
CN112765890B (zh
Inventor
王奇斌
孔宪光
程涵
徐元兵
杨胜康
徐锟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202110102285.XA priority Critical patent/CN112765890B/zh
Publication of CN112765890A publication Critical patent/CN112765890A/zh
Application granted granted Critical
Publication of CN112765890B publication Critical patent/CN112765890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开一种基于动态域适应网络的多工况旋转机械剩余寿命预测方法，其步骤为：1、生成源域样本集和目标域样本集；2、对源域样本集和目标域样本集中的振动信号进行预处理；3、生成目标域训练集和目标域测试集；4、采用反向验证技术选取源域训练集；5、构建动态域适应神经网络，其结构包括特征提取器，预测学习模块、边际分布自适应模块和条件分布自适应模块；6、对动态域适应神经网络进行训练，获取训练后的动态域适应神经网络模型；7、利用该模型对目标域测试集进行剩余寿命预测。本发明在多工况情况下提高了剩余寿命预测模型的泛化能力和预测精度。

Description

基于动态域适应网络的多工况旋转机械剩余寿命预测方法
技术领域
本发明属于机械技术领域，更进一步涉及旋转机械技术领域中的一种基于动态域适应网络的多工况旋转机械剩余寿命预测方法。本发明可用于在多工况条件下对旋转机械剩余寿命进行预测。
背景技术
旋转机械作为机械设备中的关键部件，影响着机械设备的可靠性运行。因此，准确预测旋转机械健康状态在机械设备运维管理方面极其重要。目前常用的预测方法是基于数据驱动预测方法。传统数据驱动方法对退化特征敏感度较高，需要专家经验的支撑，自适应能力差。而具有良好自适应能力的深度自编码器、卷积神经网络和递归神经网络等基于深度学习的剩余寿命预测方法虽然较传统数据驱动方法有效提高了剩余寿命的预测精度，但其需要基于训练样本和测试样本同分布的假设实现，并且需要大量有标签样本数据作为支撑。在实际场景中，旋转机械运行工况复杂，无法满足同分布假设，且难以获得大量有标签样本。因此，这些方法对于多工况的剩余寿命预测精度低，而且泛化能力差，难以用于实际复杂工况下的剩余寿命预测中。
Jun Zhu等人在其发表的论文“A new data-driven transferable remaininguseful life prediction approach for bearing under different workingconditions”(Mechanical Systems and Signal Processing；doi:10.1016/j.ymssp.2019.106602)中提出一种基于多层感知机的迁移学习用于变工况下滚动轴承的剩余寿命预测方法。该方法的步骤是：首先，采集不同工况滚动轴承的振动数据；其次，从振动信号中提取64个退化特征，包括时域特征、时频特征和三角特征，然后，利用隐马尔科夫模型进行故障点时刻的监测，把数据划分为健康阶段数据和快速退化阶段数据，随后，将其中一种工况下的快速退化阶段数据作为源域，其他工况下的快速退化阶段数据的目标域，利用具有域分类器和域差异测量能力的多层感知机模型对源域和目标域的域不变退化特征进行学习；最后，利用训练好的多层感知机模型实现多工况条件下的剩余寿命预测。该方法虽然在对不同工况的域不变特征提取方面进行的研究结果有利于解决不同工况下分布差异问题，但是，该方法仍然存在的不足之处是，未考虑条件分布对模型预测精度的影响，另外，没有筛选适合目标域建模的源域样本，也会导致不同工况任务中的泛化能力差。
发明内容：
本发明的目的在于针对上述现有技术存在的问题，提供一种基于动态域适应网络的多工况旋转机械剩余寿命预测方法，用于解决旋转机械的剩余寿命预测泛化能力差、预测精度不高的问题。
实现本发明目的的思路是：首先采集旋转机械的全生命周期振动信号，获取源域和目标域样本集；然后对源域和目标域样本集中振动信号作预处理，得到目标域训练集，通过反向验证技术从预处理后的源域样本集中获取源域训练集；对源域和目标域样本进行边际分布域适应的同时，采用模糊集理论和条件最大均值差异进行条件分布域适应，并利用动态域适应因子自适应调整边际分布域适应和条件分布域适应之间的比例关系，得到基于动态域适应神经网络的剩余寿命预测模型。
为了实现上述目的，本发明技术方案的步骤包括如下：
(1)构建多层卷积神经网络：
(1a)搭建一个由四个结构相同的子模块串联后再与全连接层和输出层相连的19层的卷积神经网络，每个子模块的结构均由卷积层，激活函数层，归一化层和池化层组成；
(1b)设置子模块中每层参数如下：将第一至第四子模块中卷积层的卷积核个数分别设置为4、8、16、32，卷积核大小均设置为3×1，卷积步长设置均设置为2；第一至第四子模块中的激活函数层均采用LeakyReLU函数，第一至第四子模块中的归一化层均采用BatchNorm1d函数，第一至第四子模块中池化层的池化卷积核均设置为3×1，池化步长均设置为2；
(1c)将全连接层的节点数设置为320，输出层的节点数设置为1；
(2)生成源域样本集和目标域样本集；
选取两种不同工况下每种至少5个同种旋转机械的全生命周期振动信号，其中一种工况的旋转机械全生命周期振动信号具有剩余寿命标签，将选取的含有剩余寿命标签的工况下所有旋转机械的全生命周期振动信号组成源域样本集，将该样本集对应的剩余寿命标签组成源域样本标签集，将另一种工况下旋转机械的全生命周期振动信号作为目标域样本集；
(3)生成目标域训练集
(3a)对源域样本集和目标域样本集中的振动信号进行快速傅里叶变换，得到频域数据；
(3b)对频域数据进行无量纲化处理，得到预处理后的源域样本集和目标域样本集；
(3c)将预处理后的目标域样本集作为目标域训练集；
(4)生成测试数据和训练数据：
(4a)从预处理后的源域样本集中随机选择一个未选过的一个样本，在源域样本标签集中选择该样本对应的剩余寿命标签集组成测试数据；
(4b)除测试数据之外的源域样本集和源域样本标签集组成训练数据；
(5)利用反向验证技术生成源域训练集：
(5a)设置多层卷积神经网络的学习率为0.0001，批次大小设置为128；
(5b)将训练数据集输入到多层卷积神经网络中，使用反向传播算法迭代更新网络的权值，直至损失函数收敛，得到训练好的预测模型fs；
(5c)将目标域训练集输入到模型fs中，得到目标域训练集的伪标签集；
(5d)将目标域训练集及其伪标签集输入到多层卷积神经网络中，利用反向传播算法迭代更新网络权值参数直至损失函数收敛，得到训练好的预测模型ft；
(5e)将测试数据输入到模型ft中，获得测试数据的预测结果；
(5f)利用平均绝对误差公式，计算测试数据的剩余寿命标签集与预测结果的平均绝对误差M；
(6)判断是否选完源域样本集中所有的样本，若是，则执行步骤(7)，否则，执行步骤(4)；
(7)生成源域训练集：
计算所有源域样本的平均绝对误差M的平均值，选择平均绝对误差M小于平均值的源域样本及其样本对应的剩余寿命标签集组成源域训练集；
(8)构建动态域适应神经网络：
(8a)构建一个结构和参数与步骤(1)中多层卷积神经网络相同的特征提取器；
(8b)将特征提取器、预测学习模块、边际分布自适应模块和条件分布自适应模块组成动态域适应神经网络，所述预测学习模块采用平均绝对误差函数实现，边际分布自适应模块采用最大平均差异函数实现，条件分布自适应模块采用条件最大平均差异函数实现；
(9)训练动态域适应神经网络：
(9a)设置动态域适应神经网络的学习率为0.0001，批次大小设置为128；
(9b)将源域训练集和目标域训练集中的振动信号分别输入到动态域适应神经网络的特征提取器中，分别输出源域退化特征和源域预测指标、目标域的退化特征和目标域预测指标；
(9c)将源域预测指标和源域训练集中的剩余寿命标签集输入到动态域适应神经网络的预测学习模块中，输出预测损失lR；
(9d)将源域退化特征和目标域退化特征同时输入到动态域适应神经网络的边际分布自适应模块中，输出边际分布损失lM；
(9e)利用模糊集理论划分三个模糊类：
根据源域训练集中的剩余寿命标签集的下四分位数，中位数和上四分位数，将模糊类一边界范围设置为0到中位数，将模糊类二边界范围设置为下四分位数到上四分位数，模糊类三边界范围设置为大于上四分位数；将源域退化特征和目标域退化特征分别归属到其对应源域预测指标和目标域预测指标所属的模糊类；
(9f)将源域退化特征，目标域退化特征输入到动态域适应神经网络的条件分布自适应模块中，输出条件分布损失lC；
(9g)按照下式，计算动态域适应神经网络的动态域适应因子：
Figure BDA0002916426350000041
其中，μ表示动态域适应神经网络的动态域适应因子，∑表示求和操作，C表示模糊类个数；
(9h)按照下式，计算动态域适应神经网络总损失：
l＝lR+λ·[(1-μ)·lM+μ·lC]
其中，l表示动态域适应神经网络的总损失，λ表示动态域适应神经网络的权衡参数，其取值为0.01；
(9i)使用反向传播算法和神经网络优化器，迭代更新动态域适应神经网络的权值，直至总损失l收敛，得到训练好的基于动态域适应神经网络的剩余寿命预测模型；
(10)对待预测的旋转机械进行剩余寿命预测；
将采集到目标域工况下旋转机械的全生命周期信号，采用与步骤(2)相同方法对振动信号进行预处理，生成目标域测试集，将目标域测试集输入到基于动态域适应神经网络的剩余寿命预测模型中，输出预测剩余寿命。
本发明与现有技术相比具有以下优点：
第一，本发明利用构建的动态域自适应神经网络进行边际分布域适应的同时，还采用模糊集理论划分三个模糊类，进行条件分布域适应，利用动态域适应因子自适应调整边际分布域适应和条件分布域适应之间的比例关系，克服了现有技术未考虑条件分布对模型预测精度影响的问题，使得本发明实现更细致的域不变退化特征提取，提高了模型预测精度。
第二，本发明利用反向验证技术生成源域训练集，选取源域样本集中适合目标域模型建模的训练样本，用于源域向目标域迁移的剩余寿命预测模型建模，克服了现有技术没有筛选适合目标域建模的源域样本，导致负迁移对模型性能产生不良影响的问题，使得本发明提高了模型在不同工况任务中的泛化能力。
附图说明
图1为本发明的流程图；
图2为本发明利用反向验证技术生成源域训练集的流程图；
图3为本发明训练动态域适应神经网络的流程图；
图4为本发明实施的反向验证技术评估结果图；
图5为本发明实施的剩余寿命预测结果图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步的详细描述。
参照图1，对本发明的实现步骤作进一步的详细描述。
步骤1，构建多层卷积神经网络。
搭建一个由四个结构相同的子模块串联后再与全连接层和输出层相连的19层的卷积神经网络，每个子模块的结构均由卷积层，激活函数层，归一化层和池化层组成。
设置子模块中每层参数如下：将第一至第四子模块中卷积层的卷积核个数分别设置为4、8、16、32，卷积核大小均设置为3×1，卷积步长设置均设置为2；第一至第四子模块中的激活函数层均采用LeakyReLU函数，第一至第四子模块中的归一化层均采用BatchNorm1d函数，第一至第四子模块中池化层的池化卷积核均设置为3×1，池化步长均设置为2。
将全连接层的节点数设置为320，输出层的节点数设置为1。
步骤2，生成源域样本集和目标域样本集。
选取两种不同工况下每种至少5个同种旋转机械的全生命周期振动信号，其中一种工况的旋转机械全生命周期振动信号具有剩余寿命标签，将选取的含有剩余寿命标签的工况下所有旋转机械的全生命周期振动信号组成源域样本集，将该样本集对应的剩余寿命标签组成源域样本标签集，将另一种工况下旋转机械的全生命周期振动信号作为目标域样本集。
所述全生命周期振动信号由至少为25.6kHz的采样频率采集到的振动信号组成。
步骤3，生成目标域训练集。
对源域样本集和目标域样本集中的振动信号进行快速傅里叶变换，得到频域数据。
对频域数据进行无量纲化处理，得到预处理后的源域样本集和目标域样本集。
将预处理后的目标域样本集作为目标域训练集。
参照图2，对本发明的步骤4生成测试数据和训练数据、步骤5利用反向验证技术生成源域训练集，以及步骤7生成源域训练集的实现步骤作进一步的详细描述。
步骤4，生成测试数据和训练数据。
从预处理后的源域样本集中随机选择一个未选过的一个样本，在源域样本标签集中选择该样本对应的剩余寿命标签集组成测试数据。
除测试数据之外的源域样本集和源域样本标签集组成训练数据。
步骤5，利用反向验证技术生成源域训练集。
设置多层卷积神经网络的学习率为0.0001，批次大小设置为128。
将训练数据集输入到多层卷积神经网络中，使用反向传播算法迭代更新网络的权值，直至损失函数收敛，得到训练好的预测模型fs。
将目标域训练集输入到模型fs中，得到目标域训练集的伪标签集。
将目标域训练集及其伪标签集输入到到多层卷积神经网络中，利用反向传播算法迭代更新网络权值参数直至损失函数收敛，得到训练好的预测模型ft。
将测试数据输入到模型ft中，获得测试数据的预测结果。
利用平均绝对误差公式，计算测试数据的剩余寿命标签集与预测结果的平均绝对误差M。
步骤6，判断是否选完源域样本集中所有的样本，若是，则执行步骤7，否则，执行步骤4。
步骤7，生成源域训练集。
计算所有源域样本的平均绝对误差M的平均值，选择平均绝对误差M小于平均值的源域样本及其样本对应的剩余寿命标签集组成源域训练集。
步骤8，构建动态域适应神经网络。
构建一个结构和参数与步骤1中多层卷积神经网络相同的特征提取器。
将特征提取器、预测学习模块、边际分布自适应模块和条件分布自适应模块组成动态域适应神经网络，所述预测学习模块采用平均绝对误差函数实现，边际分布自适应模块采用最大平均差异函数实现，条件分布自适应模块采用条件最大平均差异函数实现。
参照图3，对本发明的步骤9训练动态域适应神经网络的实现步骤作进一步的详细描述。
步骤9，训练动态域适应神经网络。
第一步，设置动态域适应神经网络的学习率为0.0001，批次大小设置为128。
第二步，将源域训练集和目标域训练集中的振动信号分别输入到动态域适应神经网络的特征提取器中，分别输出源域退化特征和源域预测指标、目标域的退化特征和目标域预测指标。
第三步，将源域预测指标和源域训练集中的剩余寿命标签集输入到动态域适应神经网络的预测学习模块中，输出预测损失lR。
所述边际分布损失是由下式计算得到的：
Figure BDA0002916426350000071
其中，lM表示源域退化特征和目标域退化特征的边际分布损失，
Figure BDA0002916426350000072
表示再生核希尔伯特空间，ns表示源域训练集中振动信号的数据量，i表示源域训练集中振动信号的序号，Φ(·)表示映射函数，
Figure BDA0002916426350000073
表示源域训练集中第i个振动信号映射的源域退化特征，nt表示目标域训练集中振动信号的数据量，j表示目标域训练集中信号的序号，
Figure BDA0002916426350000074
表示目标域训练集中第j个振动信号映射的目标域退化特征。
第四步，将源域退化特征和目标域退化特征同时输入到动态域适应神经网络的边际分布自适应模块中，输出边际分布损失lM。
第五步，利用模糊集理论划分三个模糊类。
根据源域训练集中的剩余寿命标签集的下四分位数，中位数和上四分位数，将模糊类一边界范围设置为0到中位数，将模糊类二边界范围设置为下四分位数到上四分位数，模糊类三边界范围设置为大于上四分位数；将源域退化特征和目标域退化特征分别归属到其对应源域预测指标和目标域预测指标所属的模糊类。
第六步，将源域退化特征，目标域退化特征输入到动态域适应神经网络的条件分布自适应模块中，输出条件分布损失lC。
所述条件分布损失是由下式计算得到的：
Figure BDA0002916426350000081
其中，lC属于第c个模糊类源域退化特征与目标域退化特征的条件分布损失，ns,c表示源域训练集中属于第c个模糊类振动信号的数据量，p表示源域训练集中属于第c个模糊类振动信号的序号，
Figure BDA0002916426350000082
表示源域训练集中属于第c个模糊类的第p个振动信号映射的源域退化特征，nt,c表示目标域训练集中属于第c个模糊类的振动信号的数据量，q表示目标域训练集中属于第c个模糊类振动信号的序号，
Figure BDA0002916426350000083
表示目标域训练集中属于第c个模糊类的第q个振动信号映射的目标域退化特征。
第七步，按照下式，计算动态域适应神经网络的动态域适应因子：
Figure BDA0002916426350000084
其中，μ表示动态域适应神经网络的动态域适应因子，∑表示求和操作，C表示模糊类个数。
第八步，按照下式，计算动态域适应神经网络总损失：
l＝lR+λ·[(1-μ)·lM+μ·lC]
其中，l表示动态域适应神经网络的总损失，λ表示动态域适应神经网络的权衡参数，其取值为0.01。
第九步，使用反向传播算法和神经网络优化器，迭代更新动态域适应神经网络的权值，直至总损失l收敛，得到训练好的基于动态域适应神经网络的剩余寿命预测模型。
步骤10，对待预测的旋转机械进行剩余寿命预测。
将采集到目标域工况下旋转机械的全生命周期信号，采用与步骤2相同方法对振动信号进行预处理，生成目标域测试集，将目标域测试集输入到基于动态域适应神经网络的剩余寿命预测模型中，输出预测剩余寿命。
下面结合实施例对本发明做进一步描述。
本发明的实施例是以一个公开的数据集为例，说明本发明的具体实现步骤。该数据集为雷亚国等人在其发表的论文“XJTU-SY滚动轴承加速寿命试验数据集解读”(机械工程学报,2019,55(16):1-6.)中公开的数据集。在该数据集中，全生命周期振动信号中的振动信号采样频率为25.6kHz，工况为11kN径向力和2250rpm转速的数据集(工况一)选作源域，该数据集中包含5个轴承样本的全周期振动信号，分别为XB_1_1，XB_1_2，XB_1_3，XB_1_4，XB_1_5。工况为12kN径向力和2100rpm转速的数据集(工况二)选作目标域，该数据集中包含5个轴承样本的全周期振动信号，分别为XB_2_1，XB_2_2，XB_2_3，XB_2_4，XB_2_5。
步骤1，构建多层卷积神经网络。
搭建一个由四个结构相同的子模块串联后再与全连接层和输出层相连的19层的卷积神经网络，每个子模块的结构均由卷积层，激活函数层，归一化层和池化层组成。
设置子模块中每层参数如下：将第一至第四子模块中卷积层的卷积核个数分别设置为4、8、16、32，卷积核大小均设置为3×1，卷积步长设置均设置为2；第一至第四子模块中的激活函数层均采用LeakyReLU函数，第一至第四子模块中的归一化层均采用BatchNorm1d函数，第一至第四子模块中池化层的池化卷积核均设置为3×1，池化步长均设置为2。
将全连接层的节点数设置为320，输出层的节点数设置为1。
步骤2，生成源域样本集和目标域样本集。
选取工况一下的五个轴承样本的全生命周期振动信号作为源域样本集，源域样本集对应的剩余寿命标签集作为源域样本标签集，并选取在工况二下的五个轴承样本的全生命周期振动信号作为目标域样本集。
步骤3，生成目标域训练集和目标域测试集。
对源域样本集和目标域样本集中的振动信号进行快速傅里叶变换，得到频域数据。
对频域数据进行无量纲化处理，得到预处理后的源域样本集和目标域样本集。
从预处理后的目标域样本集中选取XB_2_1和XB_2_2样本组成目标域训练集选取XB_2_3，XB_2_4和XB_2_5样本组成目标域测试集。
步骤4，生成测试数据和训练数据。
从源域样本集中随机选择一个未选过的一个样本，在源域样本标签集中选择该样本对应的剩余寿命标签集组成测试数据。
除测试数据之外的源域样本集和源域样本标签集组成训练数据。
步骤5，利用反向验证技术生成源域训练集。
设置多层卷积神经网络的学习率为0.0001，批次大小设置为128。
将训练数据集输入到多层卷积神经网络中，使用反向传播算法迭代更新网络的权值，直至损失函数收敛，得到训练好的预测模型fs。
将目标域训练集输入到模型fs中，得到目标域训练集的伪标签集。
将目标域训练集及其伪标签集输入到，利用反向传播算法迭代更新网络权值参数直至损失函数收敛，得到训练好的预测模型ft。
将测试数据输入到模型ft中，获得测试数据的预测结果。
利用平均绝对误差公式，计算测试数据的剩余寿命标签集与预测结果的平均绝对误差M。
所述平均绝对误差公式是由下式计算得到的：
Figure BDA0002916426350000101
其中，M表示测试数据的剩余寿命标签集与预测结果的平均绝对误差，∑表示求和操作，|·|表示取绝对值操作，
Figure BDA0002916426350000102
表示测试数据中第j个信号的剩余寿命标签，
Figure BDA0002916426350000103
表示测试数据中第j个信号的预测结果，N表示测试数据信号的数据量；
步骤6，判断是否选完源域样本集中所有的样本，若是，则执行步骤7，否则，执行步骤4。
步骤7，生成源域训练集。
参照图4反向验证技术评估结果图，对本发明实施例生成源域训练集做进一步描述，其中图4中的纵坐标表示源域样本的平均绝对误差，横坐标表示源域样本集中的轴承样本，依次是XB_1_1，XB_1_2，XB_1_3，XB_1_4，XB_1_5，平均值表示这5个轴承样本剩余寿命标签集与预测结果的平均绝对误差的平均值，选择平均绝对误差小于平均值的轴承样本，即XB_1_2，XB_1_3，XB_1_4，XB_1_5，及其对应的剩余寿命标签集组成源域训练集。
步骤8，构建动态域适应神经网络。
构建一个结构和参数与步骤1中多层卷积神经网络相同的特征提取器。
将特征提取器、预测学习模块、边际分布自适应模块和条件分布自适应模块组成动态域适应神经网络，所述预测学习模块采用平均绝对误差函数实现，边际分布自适应模块采用最大平均差异函数实现，条件分布自适应模块采用条件最大平均差异函数实现。
步骤9，训练动态域适应神经网络。
第一步，设置动态域适应神经网络的学习率为0.0001，批次大小设置为128。
第二步，将源域训练集和目标域训练集中的振动信号分别输入到动态域适应神经网络的特征提取器中，分别输出源域退化特征和源域预测指标、目标域的退化特征和目标域预测指标。
第三步，将源域预测指标和源域训练集中的剩余寿命标签集输入到动态域适应神经网络的预测学习模块中，输出预测损失lR。
所述边际分布损失是由下式计算得到的：
Figure BDA0002916426350000111
其中，lM表示源域退化特征和目标域退化特征的边际分布损失，
Figure BDA0002916426350000112
表示再生核希尔伯特空间，ns表示源域训练集中振动信号的数据量，i表示源域训练集中振动信号的序号，Φ(·)表示映射函数，
Figure BDA0002916426350000113
表示源域训练集中第i个振动信号映射的源域退化特征，nt表示目标域训练集中振动信号的数据量，j表示目标域训练集中信号的序号，
Figure BDA0002916426350000114
表示目标域训练集中第j个振动信号映射的目标域退化特征。
第四步，将源域退化特征和目标域退化特征同时输入到动态域适应神经网络的边际分布自适应模块中，输出边际分布损失lM。
第五步，利用模糊集理论划分三个模糊类。
根据源域训练集中的剩余寿命标签集的下四分位数，中位数和上四分位数，将模糊类一边界范围设置为0到中位数，将模糊类二边界范围设置为下四分位数到上四分位数，模糊类三边界范围设置为大于上四分位数；将源域退化特征和目标域退化特征分别归属到其对应源域预测指标和目标域预测指标所属的模糊类。
第六步，将源域退化特征，目标域退化特征输入到动态域适应神经网络的条件分布自适应模块中，输出条件分布损失lC。
所述条件分布损失是由下式计算得到的：
Figure BDA0002916426350000121
其中，lC属于第c个模糊类源域退化特征与目标域退化特征的条件分布损失，ns,c表示源域训练集中属于第c个模糊类振动信号的数据量，p表示源域训练集中属于第c个模糊类振动信号的序号，
Figure BDA0002916426350000122
表示源域训练集中属于第c个模糊类的第p个振动信号映射的源域退化特征，nt,c表示目标域训练集中属于第c个模糊类的振动信号的数据量，q表示目标域训练集中属于第c个模糊类振动信号的序号，
Figure BDA0002916426350000123
表示目标域训练集中属于第c个模糊类的第q个振动信号映射的目标域退化特征。
第七步，按照下式，计算动态域适应神经网络的动态域适应因子：
Figure BDA0002916426350000124
其中，μ表示动态域适应神经网络的动态域适应因子，∑表示求和操作，C表示模糊类个数。
第八步，按照下式，计算动态域适应神经网络总损失：
l＝lR+λ·[(1-μ)·lM+μ·lC]
其中，l表示动态域适应神经网络的总损失，λ表示动态域适应神经网络的权衡参数，其取值为0.01。
第九步，使用反向传播算法和神经网络优化器，迭代更新动态域适应神经网络的权值，直至总损失l收敛，得到训练好的基于动态域适应神经网络的剩余寿命预测模型。
步骤10，获取轴承的剩余寿命预测结果。
将目标域测试集输入到基于动态域适应神经网络的剩余寿命预测模型中，输出预测剩余寿命。图5为本发明对轴承样本XB_2_3的剩余寿命预测结果图，图5中，横坐标表示时间，纵坐标表示剩余寿命，曲线表示轴承样本XB_2_3的预测剩余寿命曲线，直线表示轴承样本XB_2_3的真实剩余寿命曲线。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真条件：
在中央处理器为Intel(R)Core(TM)i5-7500 3.40GHz、内存16G、WINDOWS7操作系统上，运用Pytorch软件进行仿真。
2.仿真内容及其结果分析：
本发明仿真实验包含两组对比实验，第一组对比实验是分别用有源域选择的动态域适应模型和无源域选择的动态域适应模型，对本发明实施例中目标域测试集的样本进行剩余寿命预测，并将这两个模型的预测剩余寿命指标进行评估分析。第二组对比实验是分别用动态域适应模型，传统卷积神经网络(无边际分布自适应和条件分布自适应)，深度域适应网络(无条件分布自适应)，条件域适应网络(无边际分布自适应)和联合域适应网络(无动态自适应因子)，分别对本发明实施例中同一目标域测试集的样本进行剩余寿命预测，并将这五个模型的预测剩余寿命指标进行评估分析。
所采用的评估方法是分别计算目标域测试所有样本的预测剩余寿命指标与剩余寿命标签的平均绝对误差、均方根误差和R2指标，再取平均值进行评估。
平均绝对误差、均方根误差和R2指标的计算公式分别如下：
Figure BDA0002916426350000131
Figure BDA0002916426350000132
Figure BDA0002916426350000133
其中，MAE表示剩余寿命标签与预测剩余寿命指标的平均绝对误差，
Figure BDA0002916426350000134
表示目标域测试集第i个振动信号的剩余寿命标签，
Figure BDA0002916426350000135
表示目标域测试集第i个振动信号的预测剩余寿命指标，N表示目标域测试集中振动信号数据量，RMSE表示剩余寿命标签与预测剩余寿命指标的均方根误差，R2表示剩余寿命标签与预测剩余寿命指标的R2指标。
训练模型所用的输入数据均为本实施例采集的运行数据，评估模型所用的输入数据均为本实施例中所用的目标域测试集数据，第一组对比实验和第二组对比实验的评估指标结果分别如表1和表2所示。
表1第一组对比实验评估指标结果对比表
Figure BDA0002916426350000141
表2第二组对比实验评估指标结果对比表
Figure BDA0002916426350000142
分析表1，由评估指标结果可知，采用反向验证技术选择的源域样本训练的动态域适应模型，对轴承剩余寿命进行预测，具有最高的准确性。分析表2，由评估指标结果可知，在模型训练过程中同时考虑边际分布自适应和条件分布自适应，并采用动态调节因子对边际分布自适应和条件分布自适应的比例进行自适应的调整，可以有效提高剩余寿命预测模型的预测性能，具有较高的准确性和泛化能力。

Claims (4)

1.一种基于动态域适应网络的多工况旋转机械剩余寿命预测方法，其特征在于，通过反向验证技术选取源域训练集样本，利用构建的动态域适应神经网络自适应调整边际分布域适应和条件分布域适应之间的比例关系，该方法的步骤包括如下：
(1)构建多层卷积神经网络：
(1a)搭建一个由四个结构相同的子模块串联后再与全连接层和输出层相连的19层的卷积神经网络，每个子模块的结构均由卷积层，激活函数层，归一化层和池化层组成；
(1b)设置子模块中每层参数如下：将第一至第四子模块中卷积层的卷积核个数分别设置为4、8、16、32，卷积核大小均设置为3×1，卷积步长设置均设置为2；第一至第四子模块中的激活函数层均采用LeakyReLU函数，第一至第四子模块中的归一化层均采用BatchNorm1d函数，第一至第四子模块中池化层的池化卷积核均设置为3×1，池化步长均设置为2；
(1c)将全连接层的节点数设置为320，输出层的节点数设置为1；
(2)生成源域样本集和目标域样本集：
选取两种不同工况下每种至少5个同种旋转机械的全生命周期振动信号，其中一种工况的旋转机械全生命周期振动信号具有剩余寿命标签，将选取的含有剩余寿命标签的工况下所有旋转机械的全生命周期振动信号组成源域样本集，将该样本集对应的剩余寿命标签组成源域样本标签集，将另一种工况下旋转机械的全生命周期振动信号作为目标域样本集；
(3)生成目标域训练集：
(3a)对源域样本集和目标域样本集中的振动信号进行快速傅里叶变换，得到频域数据；
(3b)对频域数据进行无量纲化处理，得到预处理后的源域样本集和目标域样本集；
(3c)将预处理后的目标域样本集作为目标域训练集；
(4)生成测试数据和训练数据：
(4a)从预处理后的源域样本集中随机选择一个未选过的一个样本，在源域样本标签集中选择该样本对应的剩余寿命标签集组成测试数据；
(4b)除测试数据之外的源域样本集和源域样本标签集组成训练数据；
(5)利用反向验证技术生成源域训练集：
(5a)设置多层卷积神经网络的学习率为0.0001，批次大小设置为128；
(5b)将训练数据集输入到多层卷积神经网络中，使用反向传播算法迭代更新网络的权值，直至损失函数收敛，得到训练好的预测模型fs；
(5c)将目标域训练集输入到模型fs中，得到目标域训练集的伪标签集；
(5d)将目标域训练集及其伪标签集输入到到多层卷积神经网络中，利用反向传播算法迭代更新网络权值参数直至损失函数收敛，得到训练好的预测模型ft；
(5e)将测试数据输入到模型ft中，获得测试数据的预测结果；
(5f)利用平均绝对误差公式，计算测试数据的剩余寿命标签集与预测结果的平均绝对误差M；
(6)判断是否选完源域样本集中所有的样本，若是，则执行步骤(7)，否则，执行步骤(4)；
(7)生成源域训练集：
计算所有源域样本的平均绝对误差M的平均值，选择平均绝对误差M小于平均值的源域样本及其样本对应的剩余寿命标签集组成源域训练集；
(8)构建动态域适应神经网络：
(8a)构建一个结构和参数与步骤(1)中多层卷积神经网络相同的特征提取器；
(8b)将特征提取器、预测学习模块、边际分布自适应模块和条件分布自适应模块组成动态域适应神经网络，所述预测学习模块采用平均绝对误差函数实现，边际分布自适应模块采用最大平均差异函数实现，条件分布自适应模块采用条件最大平均差异函数实现；
(9)训练动态域适应神经网络：
(9a)设置动态域适应神经网络的学习率为0.0001，批次大小设置为128；
(9b)将源域训练集和目标域训练集中的振动信号分别输入到动态域适应神经网络的特征提取器中，分别输出源域退化特征和源域预测指标、目标域的退化特征和目标域预测指标；
(9c)将源域预测指标和源域训练集中的剩余寿命标签集输入到动态域适应神经网络的预测学习模块中，输出预测损失lR；
(9d)将源域退化特征和目标域退化特征同时输入到动态域适应神经网络的边际分布自适应模块中，输出边际分布损失lM；
(9e)利用模糊集理论划分三个模糊类：
根据源域训练集中的剩余寿命标签集的下四分位数，中位数和上四分位数，将模糊类一边界范围设置为0到中位数，将模糊类二边界范围设置为下四分位数到上四分位数，模糊类三边界范围设置为大于上四分位数；将源域退化特征和目标域退化特征分别归属到其对应源域预测指标和目标域预测指标所属的模糊类；
(9f)将源域退化特征，目标域退化特征输入到动态域适应神经网络的条件分布自适应模块中，输出条件分布损失lC；
(9g)按照下式，计算动态域适应神经网络的动态域适应因子：
Figure FDA0002916426340000031
其中，μ表示动态域适应神经网络的动态域适应因子，∑表示求和操作，C表示模糊类的个数；
(9h)按照下式，计算动态域适应神经网络总损失：
l＝lR+λ·[(1-μ)·lM+μ·lC]
其中，l表示动态域适应神经网络的总损失，λ表示动态域适应神经网络的权衡参数，其取值为0.01；
(9i)使用反向传播算法和神经网络优化器，迭代更新动态域适应神经网络的权值，直至总损失l收敛，得到训练好的基于动态域适应神经网络的剩余寿命预测模型；
(10)对待预测的旋转机械进行剩余寿命预测：
将采集到目标域工况下旋转机械的全生命周期信号，采用与步骤(2)相同方法对振动信号进行预处理，生成目标域测试集，将目标域测试集输入到基于动态域适应神经网络的剩余寿命预测模型中，输出预测剩余寿命。
2.根据权利要求1所述的基于动态域适应网络的多工况旋转机械剩余寿命预测方法，其特征在于，步骤(2)中所述全生命周期振动信号由至少为25.6kHz的采样频率采集到的振动信号组成。
3.根据权利要求1所述的基于动态域适应网络的多工况旋转机械剩余寿命预测方法，其特征在于，步骤(9d)中所述的边际分布损失是由下式计算得到的：
Figure FDA0002916426340000041
其中，lM表示源域退化特征和目标域退化特征的边际分布损失，
Figure FDA0002916426340000042
表示再生核希尔伯特空间，ns表示源域训练集中振动信号的数据量，i表示源域训练集中振动信号的序号，Φ(·)表示映射函数，
Figure FDA0002916426340000043
表示源域训练集中第i个振动信号映射的源域退化特征，nt表示目标域训练集中振动信号的数据量，j表示目标域训练集中信号的序号，
Figure FDA0002916426340000044
表示目标域训练集中第j个振动信号映射的目标域退化特征。
4.根据权利要求3所述的基于动态域适应网络的多工况旋转机械剩余寿命预测方法，其特征在于，步骤(9f)中所述条件分布损失是由下式计算得到的：
Figure FDA0002916426340000045
其中，lC属于第c个模糊类源域退化特征与目标域退化特征的条件分布损失，ns,c表示源域训练集中属于第c个模糊类振动信号的数据量，p表示源域训练集中属于第c个模糊类振动信号的序号，
Figure FDA0002916426340000046
表示源域训练集中属于第c个模糊类的第p个振动信号映射的源域退化特征，nt,c表示目标域训练集中属于第c个模糊类的振动信号的数据量，q表示目标域训练集中属于第c个模糊类振动信号的序号，
Figure FDA0002916426340000051
表示目标域训练集中属于第c个模糊类的第q个振动信号映射的目标域退化特征。
CN202110102285.XA 2021-01-26 2021-01-26 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 Active CN112765890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110102285.XA CN112765890B (zh) 2021-01-26 2021-01-26 基于动态域适应网络的多工况旋转机械剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110102285.XA CN112765890B (zh) 2021-01-26 2021-01-26 基于动态域适应网络的多工况旋转机械剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN112765890A true CN112765890A (zh) 2021-05-07
CN112765890B CN112765890B (zh) 2023-02-10

Family

ID=75707510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110102285.XA Active CN112765890B (zh) 2021-01-26 2021-01-26 基于动态域适应网络的多工况旋转机械剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN112765890B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221382A (zh) * 2021-06-01 2021-08-06 中国科学院自动化研究所 一种工业设备剩余寿命预测方法、系统及设备
CN113779724A (zh) * 2021-09-13 2021-12-10 江苏仅一联合智造有限公司 一种充填包装机故障智能预测方法及其系统
CN114202028A (zh) * 2021-12-13 2022-03-18 四川大学 基于mamtl的滚动轴承寿命阶段识别方法
CN114444231A (zh) * 2022-04-02 2022-05-06 深圳市信润富联数字科技有限公司 模具剩余寿命在线自适应预测方法、装置、设备及介质
WO2023160300A1 (zh) * 2022-02-22 2023-08-31 上海三一重机股份有限公司 结构件剩余寿命预测方法、装置及作业机械
CN116680554A (zh) * 2023-06-19 2023-09-01 扬州大学 一种基于概率化元学习模型的旋转机械寿命预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080249743A1 (en) * 2007-03-27 2008-10-09 Kenji Hirohata Load calculating device and load calculating method
CN109543905A (zh) * 2018-11-23 2019-03-29 西安电子科技大学 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法
US10437933B1 (en) * 2016-08-16 2019-10-08 Amazon Technologies, Inc. Multi-domain machine translation system with training data clustering and dynamic domain adaptation
CN110555273A (zh) * 2019-09-05 2019-12-10 苏州大学 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN111680450A (zh) * 2020-05-14 2020-09-18 北京航空航天大学 一种基于不确定性贝叶斯网络的结构系统可靠性分析方法
CN112101220A (zh) * 2020-09-15 2020-12-18 哈尔滨理工大学 一种无监督模型参数迁移的滚动轴承寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080249743A1 (en) * 2007-03-27 2008-10-09 Kenji Hirohata Load calculating device and load calculating method
US10437933B1 (en) * 2016-08-16 2019-10-08 Amazon Technologies, Inc. Multi-domain machine translation system with training data clustering and dynamic domain adaptation
CN109543905A (zh) * 2018-11-23 2019-03-29 西安电子科技大学 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法
CN110555273A (zh) * 2019-09-05 2019-12-10 苏州大学 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN111680450A (zh) * 2020-05-14 2020-09-18 北京航空航天大学 一种基于不确定性贝叶斯网络的结构系统可靠性分析方法
CN112101220A (zh) * 2020-09-15 2020-12-18 哈尔滨理工大学 一种无监督模型参数迁移的滚动轴承寿命预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ERHENG ZHONG,ET AL.: "Cross Validation Framework to Choose amongst Models and Datasets for Transfer Learning", 《ECML PKDD 2010》 *
JUN ZHU,ET AL.: "A new data-driven transferable remaining useful life prediction approach for bearing under different working conditions", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
MOHAMED RAGAB,ET AL.: "Contrastive Adversarial Domain Adaptation for Machine Remaining Useful Life Prediction", 《IEEE XPLORE》 *
汪立雄 等: "基于深度迁移学习的滚动轴承剩余使用寿命预测", 《制造技术与机床》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221382A (zh) * 2021-06-01 2021-08-06 中国科学院自动化研究所 一种工业设备剩余寿命预测方法、系统及设备
CN113779724A (zh) * 2021-09-13 2021-12-10 江苏仅一联合智造有限公司 一种充填包装机故障智能预测方法及其系统
CN113779724B (zh) * 2021-09-13 2022-07-22 江苏仅一联合智造有限公司 一种充填包装机故障智能预测方法及其系统
CN114202028A (zh) * 2021-12-13 2022-03-18 四川大学 基于mamtl的滚动轴承寿命阶段识别方法
WO2023160300A1 (zh) * 2022-02-22 2023-08-31 上海三一重机股份有限公司 结构件剩余寿命预测方法、装置及作业机械
CN114444231A (zh) * 2022-04-02 2022-05-06 深圳市信润富联数字科技有限公司 模具剩余寿命在线自适应预测方法、装置、设备及介质
CN116680554A (zh) * 2023-06-19 2023-09-01 扬州大学 一种基于概率化元学习模型的旋转机械寿命预测方法
CN116680554B (zh) * 2023-06-19 2024-04-19 扬州大学 一种基于概率化元学习模型的旋转机械寿命预测方法

Also Published As

Publication number Publication date
CN112765890B (zh) 2023-02-10

Similar Documents

Publication Publication Date Title
CN112765890B (zh) 基于动态域适应网络的多工况旋转机械剩余寿命预测方法
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112308147B (zh) 基于多源域锚适配器集成迁移的旋转机械故障诊断方法
CN106156401B (zh) 基于多组合分类器的数据驱动系统状态模型在线辨识方法
CN110334764A (zh) 基于集成深度自编码器的旋转机械智能故障诊断方法
Xia et al. Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm
CN110703057B (zh) 基于数据增强和神经网络的电力设备局部放电诊断方法
CN109460618A (zh) 一种滚动轴承剩余寿命在线预测方法及系统
CN110110768A (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN114295377B (zh) 一种基于遗传算法的cnn-lstm轴承故障诊断方法
CN109211546A (zh) 基于降噪自动编码器及增量学习的旋转机械故障诊断方法
CN116451123A (zh) 基于issa-mkelm的变压器早期故障诊断方法
CN113505655A (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN114755017B (zh) 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN111595541A (zh) 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法
CN112393934A (zh) 基于稀疏自编码与极限学习机的风电机组故障诊断方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN112729834A (zh) 一种轴承故障的诊断方法、装置和系统
CN115165366A (zh) 一种旋转机械变工况故障诊断方法及系统
CN113505639B (zh) 一种基于TPE-XGBoost的旋转机械多参数健康状态评估方法
CN112763215A (zh) 一种基于模块化联邦深度学习的多工况在线故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant